Наивные модели Байеса предполагают, что наблюдения имеют некоторое многомерное распределение, заданное членством в классе, но предиктор или особенности, составляющие наблюдение, независимы. Эта структура может вместить полный набор функций, так что наблюдение представляет собой набор полиномиальных подсчетов.
Чтобы обучить наивную модель Байеса, используйте fitcnb в интерфейсе командной строки. После тренировки спрогнозируйте метки или оцените апостериорные вероятности, передав модель и данные предиктора в predict.
| Классификатор | Обучение моделей классификации данных с помощью контролируемого машинного обучения |
ClassificationNaiveBayes | Наивная классификация Байеса для многоклассовой классификации |
CompactClassificationNaiveBayes | Компактный наивный классификатор Байеса для мультиклассовой классификации |
ClassificationPartitionedModel | Модель классификации с перекрестной проверкой |
Обучение наивных классификаторов Байеса с помощью приложения Classification Learner
Создание и сравнение наивных классификаторов Байеса и экспорт обученных моделей для прогнозирования новых данных.
Контролируемый рабочий процесс и алгоритмы обучения
Понять шаги для контролируемого обучения и характеристики непараметрической классификации и регрессионных функций.
Данные категориального ответа
Наивный классификатор Байеса предназначен для использования, когда предикторы независимы друг от друга в каждом классе, но он, по-видимому, хорошо работает на практике, даже когда это предположение независимости не является действительным.
Вероятность задней классификации графика
В этом примере показано, как визуализировать вероятности классификации для алгоритма классификации Наива Байеса.
В этом примере показано, как выполнить классификацию с использованием дискриминантного анализа, наивных классификаторов Байеса и деревьев решений.
Визуализация поверхностей принятия решений различных классификаторов
В этом примере показано, как визуализировать поверхность принятия решения для различных алгоритмов классификации.